Python：从XML文件中提取HTML

我的XML文件如下所示：

 <strings>
      <string>Bla <b>One &amp; Two</b> Foo</string>
 </strings>

blaone&；二福

我想在保留内部标签的同时提取每个标签的内容。也就是说，我希望看到以下Python字符串：u“blaone&twoo”。或者，我想我可以选择u“Bla One&Two Foo”，然后尝试自己替换实体

我目前正在使用lxml，它允许我迭代嵌套的标记，忽略标记中没有的文本，或者覆盖所有文本内容（itertext），丢失标记信息。我可能错过了什么

如果可能的话，我更愿意保留lxml，不过如果需要，我可以切换到另一个库。

试试看

outer=etree.tostring（string\u elem，method='html'）
inner=re.match（“^[^>]+>（.*）try

outer=etree.tostring（string\u elem，method='html'）
inner=re.match（“^[^>]+>（.*）不管使用哪种语言，相对简单的XSLT模板都可以做到这一点

类似于为要保留的标记定义模式，将其转换为其他文本

当然，您可以使用带有兼容DOM实现（可能是minidom？）的递归函数和手动处理标记

（伪代码）

def功能（标签）：
if tag.NodeType=“#text”：返回tag.innerText
text=“”
如果allowedTags中的tag.ElementName：
text=”“%tag.ElementName
text+=[tag.childs中子标签的函数（子标签）]
如果allowedTags中的tag.ElementName：
text+=“”%tag.ElementName
返回文本
无论使用哪种语言，相对简单的XSLT模板都可以做到这一点

类似于为要保留的标记定义模式，将其转换为其他文本

当然，您可以使用带有兼容DOM实现（可能是minidom？）的递归函数和手动处理标记

（伪代码）

def功能（标签）：
if tag.NodeType=“#text”：返回tag.innerText
text=“”
如果allowedTags中的tag.ElementName：
text=”“%tag.ElementName
text+=[tag.childs中子标签的函数（子标签）]
如果allowedTags中的tag.ElementName：
text+=“”%tag.ElementName
返回文本
不使用解析器，只使用纯字符串操作

mystring="""
 <strings>
      <string>Bla <b>One &amp; Two</b> Foo</string>
 </strings>
"""
for s in mystring.split("</string>"):
    if "<string>" in s:
        i = s.index("<string>")
        print s[i+len("<string>"):].replace("&amp;","")

mystring=”“”
布拉一二福
"""
对于mystring.split（“”）中的s：
如果s中有“”：
i=标准指数（“”）
打印s[i+len（“”）：。替换（“&；”，“”）
不使用解析器，只使用纯字符串操作

mystring="""
 <strings>
      <string>Bla <b>One &amp; Two</b> Foo</string>
 </strings>
"""
for s in mystring.split("</string>"):
    if "<string>" in s:
        i = s.index("<string>")
        print s[i+len("<string>"):].replace("&amp;","")

mystring=”“”
布拉一二福
"""
对于mystring.split（“”）中的s：
如果s中有“”：
i=标准指数（“”）
打印s[i+len（“”）：。替换（“&；”，“”）
可能有更好的方法可以有条件地处理
xpath（）
函数返回的对象，但我对
lxml
不够熟悉，不知道它是什么，所以我必须编写一个函数来返回节点的文本值。不过，这说明了解决问题的一般方法：

>>> from lxml import etree
>>> from StringIO import StringIO
>>> def node_text(n):
        try:
            return etree.tostring(n, method='html', with_tail=False)
        except TypeError:
            return str(n)

>>> f = StringIO('<strings><string>This is <b>not</b> how I plan to escape.</string></strings>')
>>> x = etree.parse(f)
>>> ''.join(node_text(n) for n in x.xpath('/strings/string/node()'))
'This is <b>not</b> how I plan to escape.'

来自lxml导入etree的
>>
>>>从StringIO导入StringIO
>>>def节点_文本（n）：
尝试：
返回etree.tostring（n，method='html'，带有\u tail=False）
除类型错误外：
返回str（n）
>>>f=StringIO（'这不是我计划逃跑的方式'）
>>>x=etree.parse（f）
>>>'.join（x.xpath（'/strings/string/node（）'）中n的node_text（n）
“这不是我打算逃跑的方式。”
可能有更好的方法可以有条件地处理
xpath（）
函数返回的对象，但我对
lxml
不够熟悉，不知道它是什么，所以我必须编写一个函数来返回节点的文本值。不过，这说明了解决问题的一般方法：

>>> from lxml import etree
>>> from StringIO import StringIO
>>> def node_text(n):
        try:
            return etree.tostring(n, method='html', with_tail=False)
        except TypeError:
            return str(n)

>>> f = StringIO('<strings><string>This is <b>not</b> how I plan to escape.</string></strings>')
>>> x = etree.parse(f)
>>> ''.join(node_text(n) for n in x.xpath('/strings/string/node()'))
'This is <b>not</b> how I plan to escape.'

来自lxml导入etree的
>>
>>>从StringIO导入StringIO
>>>def节点_文本（n）：
尝试：
返回etree.tostring（n，method='html'，带有\u tail=False）
除类型错误外：
返回str（n）
>>>f=StringIO（'这不是我计划逃跑的方式'）
>>>x=etree.parse（f）
>>>'.join（x.xpath（'/strings/string/node（）'）中n的node_text（n）
“这不是我打算逃跑的方式。”
实际上我知道使用字符串，但这包括字符串标记本身。手动删除并不难，一个简单的正则表达式可以+1找到一种罕见的情况，在这种情况下，使用正则表达式处理XML并不是一个糟糕、糟糕的主意。谢谢大家。我想去掉周围的标记也会很好。我实际上，我知道tostring，但这包括字符串标记本身。手动删除并不难，一个简单的正则表达式可以+1找到一种罕见的情况，在这种情况下，使用正则表达式处理XML并不是一个糟糕、糟糕的主意。谢谢各位。我想去掉周围的标记也可以。以下列表这种方法的错误之处并不短：除其他外，如果有空的
元素，或者任何
元素包含属性，或者在其开始或结束标记中包含空格，或者任何文本节点包含字符实体或CDATA，则该方法将失败。您假设的内容太多！！。这是一个坏习惯。此列表错误使用这种方法并不短：除其他外，如果存在空的
元素，或者任何
元素包含属性，或者在其开始或结束标记中包含空格，或者任何文本节点包含字符实体或CDATA，则该方法将失败。您假设的内容太多！！。这是一个坏习惯。结果是，不使用node（），您也可以child.iterDescents（），但感谢您为我指明了正确的方向。事实证明，您也可以child.iterDescents（），而不是使用node（），但感谢您为我指明了正确的方向。